論文の概要: Relative Position Matters: Trajectory Prediction and Planning with Polar Representation

• arxiv url: http://arxiv.org/abs/2508.11492v1
• Date: Fri, 15 Aug 2025 14:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:24.041425
• Title: Relative Position Matters: Trajectory Prediction and Planning with Polar Representation
• Title（参考訳）: 相対的位置:極性表現による軌道予測と計画
• Authors: Bozhou Zhang, Nan Song, Bingzhao Gao, Li Zhang,
• Abstract要約: 自動運転における軌道予測と計画は非常に難しい。 既存の手法は地図とエージェントの位置を符号化し、カルテシアン座標の将来の軌跡をデコードする。 ポーラス(Polaris)は、ポーラス座標で完全に動作する新しい手法である。
• 参考スコア（独自算出の注目度）: 8.976149658882417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction and planning in autonomous driving are highly challenging due to the complexity of predicting surrounding agents' movements and planning the ego agent's actions in dynamic environments. Existing methods encode map and agent positions and decode future trajectories in Cartesian coordinates. However, modeling the relationships between the ego vehicle and surrounding traffic elements in Cartesian space can be suboptimal, as it does not naturally capture the varying influence of different elements based on their relative distances and directions. To address this limitation, we adopt the Polar coordinate system, where positions are represented by radius and angle. This representation provides a more intuitive and effective way to model spatial changes and relative relationships, especially in terms of distance and directional influence. Based on this insight, we propose Polaris, a novel method that operates entirely in Polar coordinates, distinguishing itself from conventional Cartesian-based approaches. By leveraging the Polar representation, this method explicitly models distance and direction variations and captures relative relationships through dedicated encoding and refinement modules, enabling more structured and spatially aware trajectory prediction and planning. Extensive experiments on the challenging prediction (Argoverse 2) and planning benchmarks (nuPlan) demonstrate that Polaris achieves state-of-the-art performance.
• Abstract（参考訳）: 自律運転における軌道予測と計画は、周囲のエージェントの動きを予測し、ダイナミック環境におけるエゴエージェントの行動を計画する複雑さのため、非常に難しい。 既存の手法は地図とエージェントの位置を符号化し、カルテシアン座標の将来の軌跡をデコードする。 しかしながら,エゴ車と周囲の交通要素の関係をモデル化することは,相対的な距離や方向に基づいて異なる要素の影響を自然に捉えないため,最適ではない。 この制限に対処するために、位置を半径と角度で表す極座標系を採用する。 この表現は、特に距離と方向の影響の観点から、空間変化と相対関係をモデル化するより直感的で効果的な方法を提供する。 この知見に基づいて、ポーラリス(Polaris)を提案する。ポーラリス(Polaris)は、ポーラ座標で完全に動作する新しい手法であり、従来のカルテシアン的アプローチと区別される。 ポーラ表現を利用することで、距離と方向の変動を明示的にモデル化し、専用の符号化および改良モジュールを通して相対関係をキャプチャし、より構造化され空間的に認識された軌道予測と計画を可能にする。 挑戦的予測(Argoverse 2)と計画ベンチマーク(nuPlan)に関する大規模な実験は、Polarisが最先端のパフォーマンスを達成することを示す。

関連論文リスト

• LANet: A Lane Boundaries-Aware Approach For Robust Trajectory Prediction [4.096453902709292]
  本稿では,車線境界や道路縁を含む複数のベクトルマップ要素から情報を得る動き予測モデルを提案する。 モデルが道路構造に関する全体的情報を学習する,異なるベクトルマップ成分の情報をマージする,効果的な機能融合戦略が開発されている。 本手法は,運転環境のより情報的かつ効率的な表現を提供し,自律走行走行予測技術の現状を推し進めるものである。
  論文  参考訳（メタデータ） (2025-07-02T02:49:24Z)
• Embodied World Models Emerge from Navigational Task in Open-Ended Environments [5.785697934050656]
  プロシージャ的に生成された平面迷路を解決するために,スパース報酬のみで訓練された反復エージェントが,方向,距離,障害物レイアウトなどの計量概念を自律的に内部化できるかどうかを問う。 トレーニングの後、エージェントは、下層の空間モデルにヒントを与える行動である、見えない迷路において、常に準最適経路を生成する。
  論文  参考訳（メタデータ） (2025-04-15T17:35:13Z)
• Efficient Data Representation for Motion Forecasting: A Scene-Specific Trajectory Set Approach [12.335528093380631]
  本研究では,異なる状況に合わせたシーン固有の軌跡セットを生成するための新しい手法を提案する。 決定論的ゴールサンプリングアルゴリズムは関連する地図領域を同定する一方,再帰的分布サブサンプリング (RIDS) 法はトラジェクトリの妥当性を高める。 Argoverse 2データセットの実験では、運転エリアコンプライアンスの最大10%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-07-30T11:06:39Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding [76.9165845362574]
  運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。 空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。 実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:08:30Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
  生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-27T17:59:49Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。